J'ai essayé de créer une caméra de surveillance à détection de mouvement avec OpenCV en utilisant une caméra WEB avec Raspberry Pi
Chose que tu veux faire
Il semble que des personnes suspectes apparaissent à l'entrée de l'appartement où j'habite, j'ai donc attaché une caméra WEB à la porte d'entrée et créé un système d'analyse et d'enregistrement avec Raspberry Pi. Les spécifications sont les suivantes.
--Affichez la vidéo capturée et l'heure à l'écran
- Enregistrez une image fixe au format jpeg lorsque quelqu'un se présente devant l'entrée
- Incorporez la durée de prise de vue dans l'image fixe enregistrée
- Une fausse détection est tolérée dans une certaine mesure
- À propos, l'autorisation a été obtenue pour l'installation de la caméra.
Articles référencés
Dans un premier temps, j'ai décidé de faire de la détection de visage en me référant à l'article de PC Kobo-san, mais cela ne convient pas à cette application car il y a beaucoup de faux positifs. C'était.
https://www.pc-koubou.jp/magazine/19205
À la suite de diverses réflexions, j'ai pensé que cela pouvait être réalisé par détection de mouvement (détection qu'il y avait un changement dans l'image prise), et à la suite d'essais et d'erreurs, cela s'est bien passé, je vais donc présenter la méthode.
De plus, je me suis référé à cet article pour savoir comment détecter les mouvements.
https://qiita.com/K_M95/items/4eed79a7da6b3dafa96d
Les choses nécessaires
--Raspberry Pi 3 Model B Plus Rev 1.3 (Un Raspberry Pi avec USB?)
- Caméra WEB connectée USB (peut-être n'importe quoi, utilisez-en une assez ancienne) --Python (cette fois en utilisant la v2.7) --OpenCV (v3.2.0 est utilisé cette fois)
Pour la procédure d'installation d'OpenCV, reportez-vous à l'article ci-dessus PC Studio. Python utilise celui qui est déjà inclus.
Procédure de construction
- Configuration du Raspberry Pi
- Configurez l'environnement VNC selon vos besoins
- Installez OpenCV
- Connectez la caméra WEB
- Vérifiez si la caméra WEB est reconnue
- Ecrivez et exécutez le programme
Confirmation de la reconnaissance de la caméra WEB
Il semble que le pilote soit inclus dans la caméra WEB connectée par USB depuis le début, donc si vous le connectez, il sera reconnu.
$ lsusb
Bus 001 Device 006: ID 0c45:62e0 Microdia MSI Starcam Racer
Bus 001 Device 005: ID 0424:7800 Standard Microsystems Corp.
Bus 001 Device 003: ID 0424:2514 Standard Microsystems Corp. USB 2.0 Hub
Bus 001 Device 002: ID 0424:2514 Standard Microsystems Corp. USB 2.0 Hub
Bus 001 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub
C'est OK si le nom comme une caméra USB est affiché dans le résultat de la commande lsusb. Si vous ne savez pas, vérifiez si le nombre d'éléments augmente lorsque vous débranchez et connectez.
Code source
Le code que j'ai écrit est le suivant.
security_cam_motion.py
# -*- coding: utf-8 -*-
import time
import datetime
import cv2 as cv
#Un programme qui réalise une caméra de surveillance à l'aide d'une caméra WEB
#Détection de mouvement, enregistrez le fichier jpg avec la date et l'heure intégrées à ce moment
#Répertoire pour enregistrer les images
save_dir = './image/'
#Le nom du fichier doit être une chaîne de caractères comprenant la date et l'heure
#Spécifiez le nom du fichier à ajouter après la date et l'heure
fn_suffix = 'motion_detect.jpg'
#Créez une instance de VideoCapture.
cap = cv.VideoCapture(0)
#Spécifiez la résolution verticale et horizontale
cap.set(cv.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv.CAP_PROP_FRAME_HEIGHT, 480)
#Valeur de pixel une fois binarisée
DELTA_MAX = 255
#Seuil de détection des changements dans chaque point
DOT_TH = 20
#Facteur de mouvement(Combien de points ont changé)Mais
#Combien ou plus devez-vous enregistrer?
MOTHON_FACTOR_TH = 0.20
#Stocker les données à des fins de comparaison
avg = None
while True:
ret, frame = cap.read() #Lire 1 image
motion_detected = False #Drapeau indiquant si un mouvement a été détecté
dt_now = datetime.datetime.now() #Heure à laquelle les données ont été acquises
#Nom du fichier et date et heure à intégrer dans l'image
dt_format_string = dt_now.strftime('%Y-%m-%d %H:%M:%S')
f_name = dt_now.strftime('%Y%m%d%H%M%S%f') + "_" + fn_suffix
#Faites-le monochrome
gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
#Obtenez un cadre pour comparaison
if avg is None:
avg = gray.copy().astype("float")
continue
#Calculez la différence entre l'image actuelle et la moyenne mobile
cv.accumulateWeighted(gray, avg, 0.6)
frameDelta = cv.absdiff(gray, cv.convertScaleAbs(avg))
#Effectuer un traitement de seuil sur les images delta
thresh = cv.threshold(frameDelta, DOT_TH, DELTA_MAX, cv.THRESH_BINARY)[1]
#Calculez le facteur de mouvement. Combien a changé dans son ensemble?
motion_factor = thresh.sum() * 1.0 / thresh.size / DELTA_MAX
motion_factor_str = '{:.08f}'.format(motion_factor)
#Écrivez la date et l'heure sur l'image
cv.putText(frame,dt_format_string,(25,50),cv.FONT_HERSHEY_SIMPLEX, 1.5,(0,0,255), 2)
#Mouvement à l'image_Écrire la valeur du facteur
cv.putText(frame,motion_factor_str,(25,470),cv.FONT_HERSHEY_SIMPLEX, 1.5,(0,0,255), 2)
#Si le facteur de mouvement dépasse la valeur de seuil, un mouvement est détecté.
if motion_factor > MOTHON_FACTOR_TH:
motion_detected = True
#Enregistrez l'image si un mouvement est détecté
if motion_detected == True:
#save
cv.imwrite(save_dir + f_name, frame)
print("DETECTED:" + f_name)
#A partir de là, traitement de l'image à afficher à l'écran
#Ajouter un contour au seuil de l'image
image, contours, hierarchy = cv.findContours(thresh.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
frame = cv.drawContours(frame, contours, -1, (0, 255, 0), 3)
#Afficher l'image résultante
cv.imshow('camera', frame)
#Attendez jusqu'à ce qu'une touche soit enfoncée
k = cv.waitKey(1000) #L'argument est le temps d'attente(ms)
if k == 27: #Fin lorsque Esc est entré
break
print("Bye!\n")
#Fermez la fenêtre affichée
cap.release()
cv.destroyAllWindows()
Commande de démarrage
$ sudo python security_cam_motion.py
Résultat d'exécution
À la suite de son exécution, cela ressemble à ceci.
S'il n'y a pas de changement, rien ne se passe.
Le nombre en bas est le facteur de mouvement. Puisqu'il n'y a pas de changement, il est de 0,0.
Lorsqu'une personne apparaît devant l'entrée, la modification est reconnue et le fichier jpeg est enregistré. Puisque le facteur de mouvement est supérieur à un certain niveau, vous pouvez voir que le mouvement a été détecté.
La bordure n'est pas affichée dans le fichier jpeg enregistré.
À propos du facteur de mouvement
Le facteur de mouvement est un mot que j'ai inventé par moi-même. Un coefficient qui indique combien de pixels de l'écran entier ont changé.
Cela s'appelle la détection de mouvement, mais le principe est que vous recherchez des pixels différents de l'image précédente. Un léger changement dans l'environnement peut détecter une légère différence par rapport à l'image précédente. S'il est détecté à chaque fois, la caméra de surveillance ne sera pas utile. En revanche, si une personne se tient devant la caméra, un pourcentage important des pixels devrait changer. Si vous décidez d'enregistrer quand un certain pourcentage change, il semble que vous puissiez atteindre l'objectif «d'enregistrer lorsqu'une personne passe devant l'entrée».
À propos des faux positifs
Pensez aux faux positifs faux positifs. En d'autres termes, comment gérer la "détection quand personne ne vient". Les gens viennent rarement car l'endroit où la caméra de surveillance est installée n'est qu'une pièce d'un appartement. Par conséquent, c'est un problème si les données sont remplies de faux positifs. Pensez aux moyens d'éviter les faux positifs.
Il semble que le changement qu'il devrait y avoir ... peut être ajusté par le facteur de mouvement et le deuxième argument de la fonction cv.threshold () (la valeur seuil du changement de chaque point par rapport à l'image précédente).
Puisque la variable DOT_TH est le deuxième argument, ajustez avec cette variable. Si la valeur est trop petite, elle sera faussement détectée en raison de changements dans l'environnement ou de fluctuations des pixels.
Même ainsi, certains pixels détectent parfois faussement les changements, même sans mouvement réel, de sorte que le facteur de mouvement empêche les faux positifs.
:
#Seuil de détection des changements dans chaque point
DOT_TH = 20
#Facteur de mouvement(Combien de points ont changé)Mais
#Combien ou plus devez-vous enregistrer?
MOTHON_FACTOR_TH = 0.20
:
#Effectuer un traitement de seuil sur les images delta
thresh = cv.threshold(frameDelta, DOT_TH, DELTA_MAX, cv.THRESH_BINARY)[1]
#Calculez le facteur de mouvement. Combien a changé dans son ensemble?
motion_factor = thresh.sum() * 1.0 / thresh.size / DELTA_MAX
motion_factor_str = '{:.08f}'.format(motion_factor)
:
À propos des faux positifs (faux négatifs)
Par contre, «il y a une personne mais elle n'est pas enregistrée» n'est pas utile comme caméra de surveillance. Probablement, dans ce système, il y a des gens, mais les cas qui ne sont pas enregistrés sont «porter des vêtements de la même couleur que le mur», «couper au bord de l'écran», «porter un camouflage optique». Je vais. Dans ce cas, j'ai décidé de le tolérer car je ne sais pas ce qu'il y a dans l'image et cela peut ne pas être utile. Il ne sert à rien de rechercher la perfection. L'équilibre est important.
c'est tout
Recommended Posts